Задачи:
— создание и развитие решений с задействованием LLM-агентов (полноценные мультиагентские системы)
— создание RAG-систем
— разработка и поддержка ML/DL моделей, включая их обновление и адаптацию к меняющимся условиям и требованиям бизнеса
— дообучение и адаптация открытых LLM
— создание системы мониторинга качества моделей и контроль их эффективности.
Требования:
— опыт работы от 3-х лет в коммерческой разработке на позиции Data Scientist / ML Engineer с подтверждённым опытом вывода моделей в продакшен
— понимание математики классического ML и архитектуры нейросетей (PyTorch/TF)
— уверенное понимание архитектуры трансформеров, опыт работы с LLM API и локальными моделями через PyTorch / Hugging Face
— уверенный Python (чистый код, ООП, знание numpy/pandas/scikit-learn) и понимание принципов микросервесной архитектуры (Asyncio, FastAPI)
— опыт создания агентов на LangChain/LangGraph
— знание основных концепций промпт-инжиниринга и использования Structured Outputs и Function Calling
— опыт проектирования и развития RAG-систем (Multi-stage Retrieval, Dense + Sparse/BM25, Rerankers, Chunking strategies)
— опыт развертывания локальных open-source моделей (Llama, Mistral, Qwen, DeepSeek и др.) в продакшн-окружении и настройки высокопроизводительного инференса LLM с помощью vLLM
— опыт проведения Fine-tuning LLM-моделей (PEFT, LoRA/QLoRA)
— настройка мониторинга data drift и model decay, а также валидация моделей
— навыки работы с генеративными AI-моделями; опыт создания AI-агентов и использования их в работе будет преимуществом
— опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов
— инструментальное владение AI для анализа, генерации и автоматизации.
Условия:
— инновационные, амбициозные проекты и задачи, которые развивают: всегда есть возможность прокачать свои навыки в работе и профессионально расти
— среда для обмена знаниями – высокая экспертиза внутри команды
— сплоченная команда, работающая над общими задачами и умеющая хорошо отдыхать
— нашу культуру создают сами сотрудники – мы их слышим и помогаем создавать и поддерживать корпоративные комьюнити по интересам
— стабильная заработная плата и годовой бонус
— полностью офисный формат работы. Современный IT-офис вблизи Москва-Сити в пяти минутах от метро "Кутузовская", с фитнес залом
— более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
— расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
— вознаграждение за рекомендацию друзей в команду Сбера.
Задачи:
— разработка и внедрение LLM моделей для решения NLU задач бизнеса (SFT, RAG (Retrieval Augmented Generation), Agents, Summarization, Text Ranking, Text Matching, Language Modeling)
— дообучение LLM моделей
— разработка подходов и процессов разметки данных для оценки качества работы LLM
— формирование и работа с ML пайплайнами: работа с данными, обучение/дообучение NLP моделей, оценка качества решений, поддержка/автоматизация решений
— оптимизация работы моделей для промышленного контура на CPU/GPU
— работа с командой бизнес-представителей, DS-разработчиками
— организация проверки и генерация гипотез для решения технических и бизнес-задач.
Требования:
— опыт разработки на python, numpy, sklearn, pandas + библиотеки обработки текстовых данных
— опыт работы с Pytorch для построения DL текстовых моделей
— опыт работы с библиотеками LangChain/LangGraph
— опыт практической работы с LLM через API
— отличные теоретические знания классического и нейросетевого NLP, в тч LLM
— опыт дообучения классических трансформеров и LLM
— практический опыт, эксперименты, внедрение в ПРОД LLM решений
— опыт prompt-engineering
Будет плюсом:
— работа с инструментами Hadoop (HDFS, Hive), Spark
— опыт постановки и проведения a/b тестов
— опыт работы с распределенным обучением, глубокое знание GPU архитектуры.
Условия:
— комфортный современный офис рядом с м. Кутузовская
— возможен гибридный формат работы
— ежегодный пересмотр зарплаты, квартальная и годовая премия
— корпоративный спортзал и зоны отдыха более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
— программа адаптации и помощь руководителя на старте
— расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
— гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
— подписка Прайм с возможностью совместного использования на трёх близких
— вознаграждение за рекомендацию друзей в команду Сбера.
Задачи:
— поиск подходящих ML решений для решения бизнес-задач, проведение оффлайн и онлайн (А/Б) экспериментов
— разработка и улучшение ML-пайплайнов для задач RecSys: подготовка данных, обучение моделей, валидация и внедрение
— анализ и работа с большими объёмами данных на PySpark
— исследование и применение актуальных методик в области Data Science, Machine Learning и RecSys
— взаимодействие с командой разработки и аналитики, генерация гипотез, участие в обсуждении решений и донесение результатов своей работы до команды.
Требования:
— опыт работы в области Data Science от 1 до 3 лет
— интерес к рекомендательным системам, желание развиваться и постепенно брать на себя больше ответственности
— практические навыки решения ML-задач: от подготовки данных и выбора алгоритмов до настройки гиперпараметров и оценки качества моделей
— хорошая база в алгоритмах машинного обучения и интеллектуальном анализе данных; опыт применения классических ML- и/или DL-подходов будет преимуществом
— хорошее знание Python и основных DS-фреймворков (PyTorch, PySpark и др.), понимание принципов написания качественного кода
— способность самостоятельно разбираться в новых подходах, читать технические материалы на английском и применять их на практике
Будет плюсом:
— опыт реализации DS-проектов в области рекомендаций
— опыт работы с ranking-задачами, feature engineering, A/B-тестами или ML-экспериментами
— опыт вывода ML-решений в production или участия в развитии ML-пайплайнов.
— опыт работы с высоконагруженными системами с машинным обучением и Big Data
— участие в профильных курсах, соревнованиях или pet-projects в области ML/RecSys.
Условия:
— комфортный современный офис рядом с м. Кутузовская
— возможность выбрать удобный график – офис/гибрид
— ежегодный пересмотр зарплаты, годовая премия
— корпоративный спортзал и зоны отдыха
— более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
— программа адаптации и помощь руководителя на старте
— расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
— гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
— подписка Прайм с возможностью совместного использования на трёх близких
— вознаграждение за рекомендацию друзей в команду Сбера.
ГибридmiddleМосква
Зарплата не указана
Не хотите искать каждый день?
Настройте подбор один раз, и подходящие вакансии будут сами приходить в Telegram.
Задачи:
— Проектировать и разрабатывать multi-agent системы.
— Интегрировать LLM с внутренними инструментами и сервисами.
— Разрабатывать backend-сервисы и API для agent workflows.
— Реализовывать RAG pipelines и tool/function calling.
— Создавать CLI-based agent workflows и инструменты автоматизации.
— Разрабатывать Computer Vision pipelines: object detection, multi-object tracking, person re-identification.
— Разрабатывать multi-camera multi-person tracking для сетей камер.
— Работать с видеопотоками в реальном времени и оптимизировать GPU inference.
Требования:
— Опыт работы с Node.js ecosystem и Express.js.
— Уверенное владение Python.
— Опыт работы с LLM APIs и prompt engineering.
— Опыт работы с RAG, tool calling или agent frameworks.
— Знакомство с Docker, Linux и Git.
— Опыт работы с PyTorch и OpenCV.
— Опыт в object detection и multi-object tracking.
— Опыт работы с YOLO, ByteTrack / BoT-SORT или аналогами.
— Понимание person re-identification и vector search.
— Опыт работы с Milvus / FAISS.
— Опыт обработки видео с ffmpeg / GStreamer.
— Работа с RTSP и hardware decoding.
Будет плюсом:
— Опыт в NLP и ML.
— Опыт развёртывания open-source LLM.
— Опыт оптимизации inference.
— Опыт работы с Vision-Language Models.
— TensorRT / ONNX Runtime.
Условия:
— Удалённый формат работы.
— Заработная плата: 1.600–3.200 USD net в месяц.
Задачи:
— разработка моделей с применением алгоритмов и техник машинного обучения;
— развёртывание моделей в выбранной среде;
— обработка и устранение возникающих проблем, связанных с работой модели после вывода в продуктивное использование.
Требования:
— опыт работы по направлению не менее 2 лет;
— знание алгоритмов и техник машинного обучения, их преимуществ, недостатков и особенностей применения;
— понимание теории вероятности и математической статистики;
— опыт программирования на языке Python, уверенное владение синтаксисом и основными конструкциями языка, использование библиотек для анализа данных и машинного обучения, знание библиотек для работы с веб-технологиями (Numpy, Pandas, matplotlib, seaborn, scikit-learn, XGBoost, CatBoost, PyTorch);
— знание системы контроля версий и методов CI/CD;
— понимание принципов работы с API и опыт их интеграции в проекты.
Условия:
— удалённый формат работы либо гибрид.
— ДМС со стоматологией, индексация зарплаты, бонусы за командные и личные достижения, кафетерий льгот (20 000 на услуги от образования до здоровья каждый год), программы финансовой, психологической и юридической поддержки, компенсация питания, программы адаптации.
— индивидуальные планы развития, помощь в наращивании экспертизы, работа с внутренним кадровым резервом внутри Северстали и Севергрупп.
— корпоративная культура, взаимоуважение и поддержка на всех уровнях управления.
Задачи:
— Перевод исследовательских DS рабочих процессов (например, прокси-метрики, модели устаревания) в производственные ML пайплайны с использованием Airflow, WandB и Ray, создание повторно используемых шаблонов для других команд.
— Применение и внедрение методов причинно-следственного вывода с использованием производственного ML стека (propensity scoring, IPW, TMLE) для решения важных задач измерения за пределами экспериментальных возможностей. Создание инструментов самообслуживания для неэкспертов для получения строгих причинных выводов в масштабе.
— Сотрудничество с ML инженерами и продуктовыми командами для выявления возможностей улучшения инструментов, метрик и методов измерения, что приводит к значительному улучшению качества моделей и бизнес-результатов.
— Использование богатых метаданных и сигналов вовлеченности Pinterest для построения дата-дривен фреймворков, от важности признаков до деиндексации контента, для повышения эффективности и скорости платформы.
— Проектирование и создание централизованных инструментов ML платформы для улучшения создания, оценки и доверия к признакам и моделям, включая производственные системы, работающие ежедневно в масштабе для всех моделей.
Требования:
— Опыт работы не менее 2 лет в роли прикладного ученого данных, ML инженера, исследователя или разработчика ПО с значительным опытом внедрения ML в производство.
— Сильные навыки Python; опыт работы с PyTorch или аналогичными фреймворками глубокого обучения; знакомство с распределенными вычислениями (Spark, Ray), предпочтительно Ray.
— Энтузиазм к созданию инструментов и платформ, которые увеличивают влияние всей ML организации, а не решают разовые задачи.
— Глубокие знания теории ML с сильными фундаментальными основами для анализа моделей ML с первых принципов.
— Владение лучшими практиками разработки ПО, включая контроль версий, код-ревью и воспроизводимые ML пайплайны.
— Опыт работы с инструментами управления рабочими процессами (Airflow, Prefect, Jenkins или аналогичными) для надежной оркестрации ML пайплайнов.
— Степень бакалавра или магистра в релевантной области, например, компьютерных наук, или эквивалентный опыт.
Условия:
— Работа удаленная с необходимостью присутствия в офисе 3-5 раз в квартал для личного взаимодействия.
— Позиция не предусматривает помощь с релокацией.
Дополнительно:
— Компания предоставляет равные возможности для всех кандидатов без дискриминации.
— Зарплатный диапазон от $114,297 до $235,319 в год, также возможна доля в компании.
— Работа в США, предпочтительно в Пало-Альто, Калифорния, или удаленно по США.
Обязательные требования:
— Знание архитектур нейросетей (Transformer, CNN, RNN, GAN, Diffusion);
— Владение методами обучения моделей с нуля и дообучения (fine‑tune) существующих решений;
— Опыт работы с фреймворками PyTorch, TensorFlow, JAX;
— Навыки написания кода для инференса и развёртывания моделей в продакшн‑среде;
— Понимание принципов оптимизации: градиентный спуск, функции потерь, регуляризация;
— Комплекс компетенций ML‑инженера с фокусом на самостоятельную реализацию алгоритмов;
— Уверенное владение языками программирования Python и C++;
— Способность реализовать с нуля отдельные компоненты модели: например, механизм внимания или отдельный слой;
— Глубокое понимание внутренней логики работы моделей (не ограничиваясь использованием готовых методов вроде model.predict()).
Задачи на проекте:
— Внедрение обученных моделей в закрытый контур экосистемы компании (на частных серверах) с обеспечением их автономной работы и защитой от внешних воздействий;
— Адаптация и оптимизация AI‑алгоритмов для эксплуатации на защищённых мобильных устройствах с учётом ограниченного объёма вычислительных ресурсов и необходимости минимизировать энергопотребление;
— Размещение обученных моделей в закрытом контуре экосистемы компании (на частных серверах), поддержание их автономной работы и реализация мер защиты от внешних воздействий.
Задачи:
— Владеть проблемой, превращая цели в AI-решения в продакшене.
— Строить и адаптировать большие языковые модели (LLM); дообучать или дистиллировать модели для повышения производительности.
— Обучать собственные модели, включая сбор и оценку данных.
— Принимать решения о разработке или покупке на основе чётких метрик и ограничений.
— Выпускать функции в продакшен и мониторить их эффективность.
Требования:
— Опыт инженерной работы 5+ лет с сильными навыками программирования.
— Практический опыт с LLM: retrieval, использование инструментов и контекстное проектирование.
— Подтверждённый опыт обучения моделей на реальных производственных данных.
— Владение Python, PyTorch и использованием GPU.
— Английский язык на уровне Intermediate и выше.
Желательно:
— Опыт работы с инференсом в реальном времени, модерацией контента или рекомендательными системами.
— Знакомство с Docker, Kubernetes и облачными платформами.
Условия:
— Конкурентная зарплата и опционные программы — все являются партнёрами.
— Официальное трудоустройство на Кипре (поддержка визы для сотрудника и супруга).
— Комфортный офис в Лимассоле с обеспечением питания и перекусов.
— Медицинская страховка для сотрудника и семьи.
— Возможности для профессионального роста, уроки греческого языка и командные мероприятия.
Задачи:
— Разработка и внедрение агентов на базе LLM, проектирование ML-компонентов платформы агентов.
— Создание агентов, способных обрабатывать сложные multi-turn и multi-modal запросы пользователей.
— Разработка систем маршрутизации задач, выбора инструментов и моделей, управление вызовами функций и оркестрация моделей внутри пайплайна.
— Замена традиционных классификаторов LLM-пайплайнами и RAG-системами, трансформация старых архитектур в современные пайплайны с LLM, вызовом функций, планированием и рассуждениями.
— Дообучение, настройка и интеграция моделей, оптимизация inference, работа с опенсорс-моделями и внутренними, включая fine-tuning, RL и адаптацию под платформу агентов.
— Обеспечение быстрой и устойчивой работы агентов на продакшене, оптимизация inference и взаимодействие с инфраструктурой (Eagle, FP8, дистилляция, multi-dimensional parallelism).
— Исследования и эксперименты с графами агентов и памятью, эксперименты с вызовами агентов, memory-подсистемами, симуляцией поведения, архитектурами reasoning и системами планирования.
— Участие в разработке RL-моделей для обучения диалоговых агентов, постановка и реализация экспериментов с multi-turn reinforcement learning в масштабах Яндекса и Алисы.
Требования:
— Глубокие знания в Deep Learning и NLP.
— Опыт работы с LLM и пайплайнами вокруг них (function calling, memory, RAG).
— Опыт внедрения ML-систем в продакшен.
— Системное мышление — от архитектуры до интеграции с инфраструктурой.
— Владение Python и знакомство с PyTorch.
— Готовность к кросс-функциональной работе с бэкендом и продуктовыми командами.
Задачи:
— работать с большими данными в экосистеме Hadoop (PySpark, SQL) — от выгрузки и разведки до построения витрин для моделей
— разрабатывать индивидуальные модели эластичности и клиентского поведения в сегменте B2C — от прототипа до продвинутого пайплайна обучения и предсказаний
— проверять бизнес-гипотезы и превращать их в измеримый эффект: дизайн и оценка A/B-тестов (мэтчинг, продвинутые методы causal inference, интерпретация результатов)
— выстраивать коммуникацию с заказчиками: согласовывать метрики, защищать подходы, показывать ценность данных на понятном языке
— обеспечивать надёжность и мониторинг внедрённых решений — чтобы модель работала стабильно и приносила пользу каждый день.
Требования:
— опыт работы Data Scientist от 5 лет
— высшее техническое образование (будет плюсом если выпускник - МГУ, МФТИ, ВШЭ и других ведущих вузов страны)
— понимание теории вероятностей и статистики
— уверенное владение широким спектром ML-алгоритмов — регрессия, классификация, кластеризация, а также uplift-моделирование (способность оценивать причинно-следственные эффекты, а не просто предсказывать)
— владение Python и ML библиотеками (numpy, sklearn, pandas, matplotlib/seaborn/plotly, catboost/lightgbm/xgboost, etc.)
— плюсом будет опыт работы с pytorch, pyspark.
Условия:
— комфортный современный офис рядом с м. Кутузовская
— возможность выбрать удобный график – офис/гибрид
— ежегодный пересмотр зарплаты, квартальная и годовая премия (премия указывается в зависимости от должности и системы премирования)
— корпоративный спортзал и зоны отдыха
— более 400 образовательных программ СберУниверситета для профессионального и карьерного развития
— программа адаптации и помощь руководителя на старте (для вакансий уровня Junior)
— расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа
— гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ
— подписка Прайм с возможностью совместного использования на трёх близких
— вознаграждение за рекомендацию друзей в команду Сбера.
Задачи:
— Разработка и внедрение автономных ИИ-агентов и генеративных моделей (LLM, мультимодальные системы) для ускорения проектирования, разработки и развертывания ERP-систем, а также создания интеллектуальных интерфейсов автоматизации — от генерации кода до обработки естественно-языковых запросов пользователей.
— Создание ИИ-сервисов и автономных агентов для автоматизации бизнес-процессов.
— Обучение и тонкая настройка LLM (Large Language Models) и других ML-моделей под задачи компании.
— Анализ данных, разработка алгоритмов для прогнозирования, оптимизации и принятия решений.
— Интеграция ИИ-решений в существующие продукты компании.
— Участие в научно-исследовательских проектах, публикация результатов (при желании).
Требования:
— Опыт в работы в IT от 5-ти лет.
— Опыт работы в области Machine Learning, Deep Learning или Data Science от 3-ех лет.
— Знание Python и ряда библиотек для ML/DL таких как TensorFlow, Pandas, PyTorch, scikit-learn и др.
— Опыт работы с NLP, LLM (GPT, Llama, Mistral и т. д.), RAG, автономными агентами.
— Понимание принципов работы ERP-систем (желательно).
— Умение работать с большими данными (SQL, NoSQL).
— Знание методов обучения с подкреплением (RL) — будет плюсом.
— Английский язык (уровень для чтения технической документации).
Условия:
— Официальное оформление и стабильный доход по ТК РФ.
— Все льготы и преимущества работы в аккредитованной ИТ-компании.
— Программа ДМС с первых дней.
— Работа в офисе с гибким началом рабочего дня.
— Московский офис в шаговой доступности от м. Динамо, оборудованный всем необходимым для комфортной работы и отдыха.
Responsibilities:
• Design multi-agent systems and integrate LLMs with internal tools
• Develop backend APIs, RAG pipelines, and tool/function calling
• Build computer vision pipelines for detection, tracking, and re-identification
• Optimize real-time video and GPU inference
Requirements:
• Node.js/Express.js and Python
• LLM APIs, prompt engineering, RAG, tool calling, or agent frameworks
• Docker, Linux, and Git
• PyTorch and OpenCV
• Object detection and multi-object tracking (YOLO, ByteTrack/BoT-SORT)
• Person re-identification, vector search, and video streaming (RTSP)
Задачи:
- Внедрение обученных моделей в закрытый контур экосистемы компании (на частных серверах) с обеспечением автономной работы и защиты от внешних воздействий
- Адаптация и оптимизация AI-алгоритмов для эксплуатации на защищённых мобильных устройствах с учётом ограниченных вычислительных ресурсов и минимизации энергопотребления
Требования:
- Знание архитектур нейросетей (Transformer, CNN, RNN, GAN, Diffusion)
- Владение методами обучения моделей с нуля и дообучения (fine-tune) существующих решений
- Опыт работы с фреймворками PyTorch, TensorFlow, JAX
- Навыки написания кода для инференса и развёртывания моделей в продакшн-среде
- Понимание принципов оптимизации: градиентный спуск, функции потерь, регуляризация
- Уверенное владение языками программирования Python и C++
- Способность реализовать с нуля отдельные компоненты модели, например, механизм внимания или отдельный слой
- Глубокое понимание внутренней логики работы моделей
Задачи:
— Проектировать и реализовывать end-to-end LLM-пайплайны, включая продвинутые RAG-системы и автономных AI-агентов (планирование, function calling, мультиагентная оркестрация)
— Дообучение и адаптация: SFT/RLHF/DPO, LoRA/QLoRA под бизнес-задачи; решать, когда нужно дообучение, а когда достаточно промпт-инжиниринга или RAG
— Поддерживать культуру качества: внедрять продуктовые и ML-метрики (RAGAS, DeepEval, LLM-as-a-Judge), автоматизировать регрессионное тестирование
— Писать чистый, документированный и тестируемый python-код, проектировать API-контракты для ML-компонент
— Участвовать в код-ревью, формировать технические стандарты команды, работать напрямую с продуктом и стейкхолдерами
Требования:
— Опыт в DL/NLP от 4 лет, включая обучение и дообучение моделей на PyTorch, из них не менее года практического опыта с LLM
— Практический опыт построения AI-агентов и LLM-пайплайнов с использованием LangChain/LangGraph
— Глубокое понимание архитектуры современных LLM: attention, MoE, RoPE, KV-cache, методы alignment (RLHF/DPO), принципы эффективного инференса
— Сильная инженерная культура: Python (asyncio, pydantic, fastapi), чистый тестируемый код (pytest), асинхронные микросервисы; понимание Docker/K8s, CI/CD для ML
— Оценка и мониторинг: уверенное владение инструментами LLMOps (Arize, LangSmith, W&B, Phoenix), опыт создания кастомных eval-пайплайнов
— Работа с данными: опыт предобработки сложных данных для датасетов, знание SQL
ГибридseniorМосква
Зарплата не указана
Все вакансии в одном месте — страница 3 · Job Hunters